最长匹配仅与 Spacy Phrasematcher

Question

我在tutorial 之后创建了一个Spacy Phrasematcher 来匹配文档中的名称。我想使用结果匹配作为额外的训练数据来训练 Spacy NER 模型。 但是，我的模式分别包含全名（例如“Barack Obama”）和姓氏（“Obama”）。

因此，在包含“Barack Obama”的句子中，两种模式都匹配，导致匹配重叠。但是，当我尝试使用数据进行训练时，这种重叠会触发异常，例如：

ValueError: [E103] Trying to set conflicting doc.ents: '(19, 33, 'PERSON')' and '(29, 33, 'PERSON')'. A token can only be part of one entity, so make sure the entities you're setting don't overlap.

我一直在考虑在使用数据进行训练之前过滤掉重叠匹配，但这似乎是一种非常低效的方法，导致大数据的处理时间显着增加。

有没有办法设置PhraseMatcher，使其只匹配重叠匹配的最长匹配？

Answer 1

PhraseMatcher 没有在匹配时过滤掉重叠匹配的内置方法，但有一个实用功能可以在之后过滤重叠匹配：spacy.util.filter_spans()。它更喜欢最长的跨度，如果两个重叠的跨度长度相同，则文本中较早的跨度。